ΕΞΟΡΥΞΗ ΔΕΔΟΜΕΝΩΝ. Εισαγωγή Εξόρυξη Δεδομένων: Ακ. Έτος 2008-2009ΕΙΣΑΓΩΓΗ3 Εισαγωγή Τι είναι η Εξόρυξη Δεδομένων (με δυο λόγια) Αποδοτικές τεχνικές για.

Παρουσίαση με θέμα: "ΕΞΟΡΥΞΗ ΔΕΔΟΜΕΝΩΝ. Εισαγωγή Εξόρυξη Δεδομένων: Ακ. Έτος 2008-2009ΕΙΣΑΓΩΓΗ3 Εισαγωγή Τι είναι η Εξόρυξη Δεδομένων (με δυο λόγια) Αποδοτικές τεχνικές για."— Μεταγράφημα παρουσίασης:

1 ΕΞΟΡΥΞΗ ΔΕΔΟΜΕΝΩΝ

2 Εισαγωγή

3 Εξόρυξη Δεδομένων: Ακ. Έτος 2008-2009ΕΙΣΑΓΩΓΗ3 Εισαγωγή Τι είναι η Εξόρυξη Δεδομένων (με δυο λόγια) Αποδοτικές τεχνικές για να αναλύσουμε πολύ μεγάλες συλλογές από δεδομένα και να εξάγουμε χρήσιμες πληροφορίες από αυτά

4 Εξόρυξη Δεδομένων: Ακ. Έτος 2008-2009ΕΙΣΑΓΩΓΗ4 The Data Gap Total new disk (TB) since 1995 Number of analysts From: R. Grossman, C. Kamath, V. Kumar, “Data Mining for Scientific and Engineering Applications” Γιατί; Συχνά υπάρχει πληροφορία «κρυμμένη» στα δεδομένα που δεν είναι προφανής Οι ανθρώπινοι αναλυτές μπορεί να χρειάζονται εβδομάδες για να ανακαλύψουν χρήσιμη πληροφορία Πολλά δεδομένα δεν αναλύονται ποτέ Εισαγωγή

5 Εξόρυξη Δεδομένων: Ακ. Έτος 2008-2009ΕΙΣΑΓΩΓΗ5  Πολλά δεδομένα συγκεντρώνονται και εισάγονται σε αποθήκες δεδομένων  Web δεδομένα, e-εμπόριο  Αγορές σε πολύ- καταστήματα/αλυσίδες  Συναλλαγές με τράπεζες/πιστωτικές κάρτες  Οι υπολογιστές γίνονται φτηνότεροι και πιο ισχυροί  Μεγάλος ανταγωνισμός  Παροχή καλύτερων, προσωπικών υπηρεσιών σε κάποιο πεδίο (fraud detection, targeting marketing) Εισαγωγή Γιατί Εξόρυξη Δεδομένων (από εμπορική πλευρά)

6 Εξόρυξη Δεδομένων: Ακ. Έτος 2008-2009ΕΙΣΑΓΩΓΗ6  Τα δεδομένα συλλέγονται και αποθηκεύονται σε τρομερές ταχύτητες enormous speeds (GB/hour)  Απομακρυσμένοι αισθητήρες (remote sensors) σε δορυφόρους  Τηλεσκόπια στον ουρανό  Microarrays που παράγουν γονιδιακά δεδομένα  Επιστημονικές προσομοιώσεις που παράγουν terabytes δεδομένων  Η εξόρυξη δεδομένων μπορεί να βοηθήσει τους επιστήμονες  Στην κατηγοριοποίηση και την τμηματοποίηση των δεδομένων  Στην Διατύπωση Υποθέσεων Εισαγωγή Γιατί Εξόρυξη Δεδομένων (από επιστημονική πλευρά)

7 Εξόρυξη Δεδομένων: Ακ. Έτος 2008-2009ΕΙΣΑΓΩΓΗ7 Παραδείγματα Δεδομένων Κυβερνητικά: IRS (εφορία), δημογραφικά δεδομένα, … Μεγάλες εταιρίες WALMART: 20M συναλλαγές την ημέρα MOBIL: 100 TB γεωλογικά σύνολα δεδομένων AT&T 300 M κλήσεις την ημέρα Εταιρίες πιστωτικών κρατών Επιστημονικά NASA, EOS project: 50 GB την ώρα Δεδομένα για το περιβάλλον «Κοινωνικά» - Ατομικά Νέα, ψηφιακές κάμερες, YouTube Εισαγωγή

8 Εξόρυξη Δεδομένων: Ακ. Έτος 2008-2009ΕΙΣΑΓΩΓΗ8 Τι είναι η Εξόρυξη Δεδομένων Είδη/Τεχνικές Εξόρυξης Δεδομένων (συνοπτικά)  Ομαδοποίηση (συσταδοποίηση) – clustering χωρίζουμε τα δεδομένα σε ομάδες από «όμοια» σύνολα  Κανόνες συσχέτισης (Association rule mining) βρίσκουμε συσχετίσεις ανάμεσα στα δεδομένα, πχ ποια δεδομένα εμφανίζονται συχνά μαζί σε συναλλαγές  Κατηγοριοποίηση (Classification) κατηγοριοποιούμε τα δεδομένα τοποθετώντας τα σε μια (ή περισσότερες) από έναν αριθμό από δοσμένες κατηγορίες Είδη με βάση τα δεδομένα στα οποία γίνεται η εξόρυξη  Εξόρυξη στο διαδίκτυο μηχανές αναζήτησης – ενδιαφέρουσες (σημαντικές) σελίδες με βάση τους συνδέσμους

9 Εξόρυξη Δεδομένων: Ακ. Έτος 2008-2009ΕΙΣΑΓΩΓΗ9 Τι είναι η Εξόρυξη Δεδομένων Εξόρυξη Δεδομένων (Ορισμός) Πολύ μεγάλα σύνολα δεδομένων (data sets) (1) η διαδικασία ανακάλυψης (discovery) προτύπων (patterns) που πριν δεν ήταν γνωστά, ισχύουν, είναι πιθανών χρήσιμα και είναι κατανοητά (2) η ανάλυση τους για να βρούμε μη αναμενόμενες σχέσεις ανάμεσα στα δεδομένα καθώς και να τα συνοψίσουμε με νέους τρόπους που είναι κατανοητοί και χρήσιμοι στους χρήστες Παραδείγματα: αγορές από πολυκαταστήματα, προσπελάσεις ιστοσελίδων, πακέτα στο δίκτυο, αποτελέσματα επιστημονικών πειραμάτων, κίνηση μετοχών, βιολογικά δεδομένα κλπ

10 Εξόρυξη Δεδομένων: Ακ. Έτος 2008-2009ΕΙΣΑΓΩΓΗ10  Τι είναι – Ορισμένα ονόματα είναι πιο συχνά σε κάποιες τοποθεσίες στις ΗΠΑ (πχ O’Brien, O’Rurke, O’Reilly… στην περιοχή της Βοστώνης, κατάληξη «ακης» στην Κρήτη) – Ομαδοποίηση όμοιων κειμένων που επιστρέφει μια μηχανή αναζήτησης με βάση τα συμφραζόμενα (πχ δάσος Amazon, Amazon.com,)  Τι δεν είναι – Αναζήτηση ενός αριθμού τηλεφώνου στον τηλεφωνικό κατάλογο – Ερώτηση σε μια μηχανή αναζήτησης πληροφορία για το “Amazon” Τι είναι η Εξόρυξη Δεδομένων

11 Εξόρυξη Δεδομένων: Ακ. Έτος 2008-2009ΕΙΣΑΓΩΓΗ11 Οι «ρίζες» της Εξόρυξης Δεδομένων Και λίγη ιστορία … Σε σχέση με την ιστορία των Βάσεων Δεδομένων, η Εξόρυξη Δεδομένων είναι πολύ νέα … 1960 και νωρίτερα Συλλογή Δεδομένων - Επεξεργασία Αρχείων 1970 – αρχές του 1980 Ιεραρχικά και δικτυακά μοντέλα Σχεσιακά συστήματα βάσεων δεδομένων Εργαλεία μοντελοποίησης (Ο/Σ κλπ) Μέθοδοι ευρετηριοποίησης (Β-δέντρα, κατακερματισμός, κλπ) Γλώσσες επερωτήσεων SQL, κλπ Διεπαφές χρήστη (πχ φόρμες και αναφορές) Επεξεργασία και βελτιστοποίηση ερωτήσεων Συναλλαγές, ανάκαμψη από σφάλματα, έλεγχος συγχρονικότητας OLTP (on-line analytical processing)

12 Εξόρυξη Δεδομένων: Ακ. Έτος 2008-2009ΕΙΣΑΓΩΓΗ12 Οι «ρίζες» της Εξόρυξης Δεδομένων Και λίγη ιστορία … Εξελιγμένα Συστήματα Βάσεων Δεδομένων (μέσα 1980 – σήμερα)  Νέα μοντέλα (αντικειμενο-σχεσιακό, επεκτεταμένα σχεσιακά κλπ)  Νέες εφαρμογές και τύποι δεδομένων (χρονικά, χωρικά, χρονο- χωρικά, δεδομένα από αισθητήρες, συνεχή, κλπ) Εξελιγμένη Ανάλυση Δεδομένων Αποθήκες Δεδομένων και Εξόρυξη (1990 – σήμερα) Διαδικτυακές Βάσεις Δεδομένων 1990 – σήμερα IR (Ανάκτηση Πληροφορίας) + ΒΔ

13 Εξόρυξη Δεδομένων: Ακ. Έτος 2008-2009ΕΙΣΑΓΩΓΗ13 Πρέπει να αντιμετωπίσει:  Το τεράστιο μέγεθος των δεδομένων  Το μεγάλο αριθμό διαστάσεων  Την μη ομοιογενή και την κατανεμημένη φύση των δεδομένων ΤΝ/ Μηχανική Μάθηση Στατιστική Εξόρυξη Δεδομένων Βάσεις Δεδομένων Οι «ρίζες» της Εξόρυξης Δεδομένων Η προσέγγιση στο μάθημα θα είναι σε αλγορίθμους/δομές και μεγάλα σύνολα δεδομένων – από την πλευρά των συστημάτων λογισμικού

14 Εξόρυξη Δεδομένων: Ακ. Έτος 2008-2009ΕΙΣΑΓΩΓΗ14 Κάποιες Πηγές – Σχετικές Κοινότητες  1991-1994 Workshops on Knowledge Discovery in Databases  Advances in Knowledge Discovery and Data Mining (U. Fayyad, G. Piatetsky-Shapiro, P. Smyth, and R. Uthurusamy, 1996)  1995-1998 International Conferences on Knowledge Discovery in Databases and Data Mining (KDD’95-98)  Journal of Data Mining and Knowledge Discovery (1997)  ACM SIGKDD conferences since 1998 and SIGKDD Explorations  More conferences on data mining  PAKDD (1997), PKDD (1997), SIAM-Data Mining (2001), (IEEE) ICDM (2001), etc.  ACM Transactions on KDD started in 2007

15 Εξόρυξη Δεδομένων: Ακ. Έτος 2008-2009ΕΙΣΑΓΩΓΗ15 Κάποιες Πηγές – Σχετικές Κοινότητες  KDD Συνέδρια  ACM SIGKDD Int. Conf. on Knowledge Discovery in Databases and Data Mining (KDD)  SIAM Data Mining Conf. (SDM)  (IEEE) Int. Conf. on Data Mining (ICDM)  Conf. on Principles and practices of Knowledge Discovery and Data Mining (PKDD)  Pacific-Asia Conf. on Knowledge Discovery and Data Mining (PAKDD)  Άλλα Σχετικά Συνέδρια  ACM SIGMOD  VLDB  (IEEE) ICDE  WWW, SIGIR  ICML, CVPR, NIPS  Περιοδικά  Data Mining and Knowledge Discovery (DAMI or DMKD)  IEEE Trans. On Knowledge and Data Eng. (TKDE)  KDD Explorations  ACM Trans. on KDD

16 Εξόρυξη Δεδομένων: Ακ. Έτος 2008-2009ΕΙΣΑΓΩΓΗ16 Ανακάλυψη Γνώσης (Knowledge Discovery) Προ-επεξεργασία Εξόρυξη Δεδομένων

17 Εξόρυξη Δεδομένων: Ακ. Έτος 2008-2009ΕΙΣΑΓΩΓΗ17 Ανακάλυψη Γνώσης (Knowledge Discovery) ΠΡΟ-ΕΠΕΞΕΡΓΑΣΙΑ  Data Cleaning – Καθαρισμός Δεδομένων  Data Integration – Ενοποίηση Δεδομένων  Data Transformation – Μετασχηματισμοί Δεδομένων ΕΞΟΡΥΞΗ ΔΕΔΟΜΕΝΩΝ ΑΝΑΠΑΡΑΣΤΑΣΗ

18 Εξόρυξη Δεδομένων: Ακ. Έτος 2008-2009ΕΙΣΑΓΩΓΗ18 Τα δεδομένα στο πραγματικό κόσμο είναι «βρώμικα»  Ελλειπή - incomplete: μπορεί να λείπουν κάποιες τιμές γνωρισμάτων (να μην καταγράφηκαν, να καταγράφηκαν λανθασμένα λόγω μη συνεννόησης ή λανθασμένης λειτουργίας), να λείπουν κάποια ενδιαφέροντα γνωρίσματα (που να μην θεωρήθηκαν σημαντικά ή να μην ήταν διαθέσιμα), ή να περιέχουν μόνο συναθροιστικά (aggregate) δεδομένα  Συμπλήρωση των γνωρισμάτων και τιμών που λείπουν  Με θόρυβο - noisy: περιέχουν λάθη ή outliers (περιθωριακές τιμές - τιμές που διαφέρουν πολύ από την πλειοψηφία)  Εύρεση των περιθωριακών τιμών και απομάκρυνση θορύβου  Ασυνεπή - inconsistent: περιέχουν ασυνέπειες, διπλότιμα  Διόρθωση ασυνεπών τιμών Προ-επεξεργασία δεδομένων - Καθαρισμός

19 Εξόρυξη Δεδομένων: Ακ. Έτος 2008-2009ΕΙΣΑΓΩΓΗ19 Προ-επεξεργασία δεδομένων Επιλογή Δεδομένων και Γνωρισμάτων και εφαρμογή κατάλληλων Μετασχηματισμών  Συνάθροιση – Aggregation: συνδυασμούς δεδομένων από πολλές πηγές  Sampling – δειγματοληψία: χρήση αντιπροσωπευτικού δείγματος των δεδομένων για βελτίωση της απόδοσης  Dimensionality reduction – μείωση διαστάσεων - Κατάρα της διάστασης (curse of dimensionality) Πολλές τεχνικές για την ανάλυση δεδομένων γίνονται δυσκολότερες με την αύξηση της διάστασης των δεδομένων (αυξάνει εκθετικά η πολυπλοκότητα ή τα δεδομένα γίνονται πολύ αραιά) Τεχνικές της γραμμικής άλγεβρας (SVD, PCA) Απεικόνιση σε άλλο χώρο με μικρότερο αριθμό διαστάσεων

20 Εξόρυξη Δεδομένων: Ακ. Έτος 2008-2009ΕΙΣΑΓΩΓΗ20 Προ-επεξεργασία δεδομένων  Discretization (μετασχηματιμός σε μια διακριτή τιμή) ή binarization (μετασχηματισμός σε δυαδική τιμή)  Variable transformation – μετασχηματισμοί των τιμών των μεταβλητών  Πχ Κανονικοποίηση

21 Εξόρυξη Δεδομένων: Ακ. Έτος 2008-2009ΕΙΣΑΓΩΓΗ21 Ανακάλυψη Γνώσης (Knowledge Discovery) Προ-επεξεργασία Οπτικοποίηση Παρουσίαση των αποτελεσμάτων

22 Εξόρυξη Δεδομένων: Ακ. Έτος 2008-2009ΕΙΣΑΓΩΓΗ22 Καθαρισμός, Ενοποίηση και Επιλογή Εξυπηρετητής Βάσης Δεδομένων ή Αποθήκης Δεδομένων Μηχανή Εξόρυξης Δεδομένων Εκτίμηση Προτύπων Γραφικές Επαφές Χρήστη Βάση Γνώσης ΒΔ Αποθήκη Δεδομένων World-Wide Web Άλλα Σύνολα Δεδομένων Αρχιτεκτονική του Συστήματος  Που είναι τα δεδομένα (διασύνδεση με ΣΔΒΔ)  Βάση Γνώσης

23 Εξόρυξη Δεδομένων: Ακ. Έτος 2008-2009ΕΙΣΑΓΩΓΗ23 Αποθήκες Δεδομένων Αποθήκη δεδομένων είναι μια συλλογή από δεδομένα που συλλέγονται από διάφορες πηγές δεδομένων, αποθηκεύονται με βάση ένα κοινό σχήμα (συνήθως) σε έναν κόμβο ExtractTransformLoad διαδικασίες – τα δεδομένα παίρνονται από τις βάσεις, μετασχηματίζονται και φορτώνονται στην αποθήκη Οι μετασχηματισμοί μπορεί να είναι επιλογές συγκεκριμένων πεδίων και τιμών, αλλαγή μονάδων μέτρησης, καθαρισμός, κλπ Περιοδική ενημέρωση της αποθήκης

24 Εξόρυξη Δεδομένων: Ακ. Έτος 2008-2009ΕΙΣΑΓΩΓΗ24 Αποθήκες Δεδομένων Πολλαπλές Πηγές Αποθήκη Εργαλεία Ανάλυσης και Ερωτήσεων

25 Εξόρυξη Δεδομένων: Ακ. Έτος 2008-2009ΕΙΣΑΓΩΓΗ25 Αποθήκες Δεδομένων Συνήθως ακολουθείται ένα πολύ-διάστατο σχήμα, όπου κάθε διάσταση αντιστοιχεί και σε ένα γνώρισμα (ή σύνολο) γνωρισμάτων του σχήματος και κάθε κελί σε μια μέτρηση Το φυσικό σχήμα είναι συνήθως ένας πολυδιάστατος κύβος Υποστηρίζουν OLAP (online analytical processing) λειτουργίες σε διαφορετικά επίπεδα λεπτομέρειας Drill-down και roll-up

26 Εξόρυξη Δεδομένων: Ακ. Έτος 2008-2009ΕΙΣΑΓΩΓΗ26 Αποθήκες Δεδομένων 3-διαστάσεις Διεύθυνση (πόλεις) Χρόνος (τετράμηνα) Είδος προϊόντος Κελί: αντίστοιχες πωλήσεις (συνήθως μέτρηση, κάποια συναθροιστική τιμή) Drill-down - Χρόνος Roll-up - Διεύθυνση Περισσότερα στο μάθημα

27 Εξόρυξη Δεδομένων: Ακ. Έτος 2008-2009ΕΙΣΑΓΩΓΗ27 Δυναμικό για την υποστήριξη επιχειρησιακών αποφάσεων Τελικός Χρήστης Business Analyst Data Analyst DBA Διαχειριστής ΒΔ Λήψη Αποφάσεων Παρουσίαση Δεδομένων Τεχνικές Οπτικοποίησης Εξόρυξη Δεδομένων Ανακάλυψη Πληροφορίας Data Exploration Στατιστικές περιλήψεις, Ερωτήσεις (OLAP) Προ-επεξεργασία&Ενοποίηση Δεδομένων, Αποθήκες Πηγές Δεδομένων Χαρτιά, Αρχεία, Web έγγραφα, Επιστημονικά Πειράματα, Συστήματα Βάσεων Δεδομένων

28 Εξόρυξη Δεδομένων: Ακ. Έτος 2008-2009ΕΙΣΑΓΩΓΗ28 Ιστοσελίδα http://www.cs.uoi.gr/~pitoura/courses/dm Βιβλία Υπάρχουν 2 ελληνικά  Μ. Βαζιργιάννης και Μ. Χαλκίδη, Εξόρυξη Γνώσης από Βάσεις Δεδομένων. Τυποθήτω, Νοέμβριος 2003  M. H. Dunham, Data Mining, Εισαγωγικά και Προηγμένα Θέματα Εξόρυξης Γνώσης από Δεδομένα. Επιμέλεια Ελληνικής Έκδοσης: Β. Βερύκιος και Γ. Θεοδωρίδης. Εκδόσεις Νέων Τεχνολογιών, 2004. Για το μάθημα

29 Εξόρυξη Δεδομένων: Ακ. Έτος 2008-2009ΕΙΣΑΓΩΓΗ29 Για το μάθημα 2 «κλασικά» βιβλία στα αγγλικά P.-N. Tan, M. Steinbach and V. Kumar, Introduction to Data Mining, Addison Wesley, 2006 Introduction to Data Mining J. Han and M. Kamber. Data Mining: Concepts and Techniques, Morgan Kaufmann, 2006 Αρκεί το υλικό στις διαφάνειες

30 Εξόρυξη Δεδομένων: Ακ. Έτος 2008-2009ΕΙΣΑΓΩΓΗ30 Για το μάθημα  3 σύνολα ασκήσεων (κάποιες θεωρητικές και προγραμματιστικές ασκήσεις) – 50% ή 100%  Τελικό διαγώνισμα (πιθανό) – 50%

31 Εξόρυξη Δεδομένων: Ακ. Έτος 2008-2009ΕΙΣΑΓΩΓΗ31 Πως χρησιμοποιείται 1.Κατανόηση του προβλήματος 2.Χρήση τεχνικών εξόρυξης δεδομένων για να πάρουμε πληροφορία από τα δεδομένα 3.Χρήση αυτής της πληροφορίας 4. Μέτρηση των αποτελεσμάτων Εξόρυξη Δεδομένων

32 Εξόρυξη Δεδομένων: Ακ. Έτος 2008-2009ΕΙΣΑΓΩΓΗ32 Για το μάθημα  Λειτουργικότητα/Είδη Εξόρυξης – Τι είδους πρότυπα μπορούν να εξορυχθούν  Τεχνική/Μέθοδος για να πετύχουμε αυτήν την εξόρυξη

33 Εξόρυξη Δεδομένων: Ακ. Έτος 2008-2009ΕΙΣΑΓΩΓΗ33 1.Ταξινόμηση - Classification: εκμάθηση μια συνάρτησης – κατασκευή ενός μοντέλου που απεικονίζει ένα στοιχείο σε μια από ένα σύνολο από προκαθορισμένες κλάσεις 2.Συσταδοποίηση - Clustering: εύρεση ενός συνόλου από ομάδες με όμοια στοιχεία 3.Εύρεση Συχνών Προτύπων, Εξαρτήσεων και Συσχετίσεων – Dependencies and associations: εύρεση σημαντικών/συχνών εξαρτήσεων μεταξύ γνωρισμάτων 5.Συνοψίσεις - Summarization: εύρεση μιας συνοπτικής περιγραφής του συνόλου δεδομένων ή ενός υποσυνόλου του 6.‘Αλλα Είδη/Μέθοδοι για Εξόρυξη Δεδομένων (συνοπτικά)

34 Εξόρυξη Δεδομένων: Ακ. Έτος 2008-2009ΕΙΣΑΓΩΓΗ34 Είδη/Μέθοδοι για Εξόρυξη Δεδομένων Predictive Methods – Μέθοδοι πρόβλεψης Χρήση κάποιων μεταβλητών για να προβλέψουν άγνωστες ή μελλοντικές τιμές κάποιων άλλων μεταβλητών Descriptive Methods - Περιγραφικοί Μέθοδοι Στόχος να βρεθούν κατανοητά πρότυπα που περιγράφουν τα δεδομένα – τις ιδιότητες τους

35 Εξόρυξη Δεδομένων: Ακ. Έτος 2008-2009ΕΙΣΑΓΩΓΗ35  Ταξινόμηση [Predictive]  Συσταδοποίηση [Descriptive]  Εύρεση Κανόνων Συσχέτισης [Descriptive]  Sequential Pattern Discovery [Descriptive]  Regression – Συνοψίσεις [Predictive] ένα συνοπτικό μοντέλο για τα δεδομένα (πχ μια συνάρτηση)  Deviation/Anomaly Detection [Predictive] outlier analysis (στατιστικοί έλεγχοι για σπάνια σημεία), evolution analysis (πχ ανάλυση χρονοσειρών – πχ μετοχές) κλπ Είδη/Μέθοδοι για Εξόρυξη Δεδομένων

36 Εξόρυξη Δεδομένων: Ακ. Έτος 2008-2009ΕΙΣΑΓΩΓΗ36  Δοθέντος ενός συνόλου από εγγραφές (σύνολο εκπαίδευσης - training set )  Κάθε εγγραφή έχει ένα σύνολο από γνωρίσματα, ένα από αυτά είναι η κλάση (ή κατηγορία)  Εύρεση ενός μοντέλου για το γνώρισμα της κλάσης ως συνάρτηση της τιμής των άλλων γνωρισμάτων.  Στόχος: να αναθέτει σε εγγραφές που δεν έχουμε δει μια κλάση με την μεγαλύτερη δυνατή ακρίβεια  Για να χαρακτηρίσουμε την ακρίβεια του μοντέλου χρησιμοποιούμε ένα σύνολο ελέγχου (test set)  Συνήθως, το δοθέν σύνολο δεδομένο χωρίζεται σε ένα σύνολο εκπαίδευσης και σε ένα σύνολο ελέγχου – το πρώτο χρησιμοποιείται για την κατασκευή του μοντέλου και το δεύτερο για τον έλεγχο του Ταξινόμηση Ορισμός Ταξινόμηση Ορισμός Ταξινόμηση

37 Εξόρυξη Δεδομένων: Ακ. Έτος 2008-2009ΕΙΣΑΓΩΓΗ37 ΚΛΑΣΗ Σύνολο Ελέγχου Σύνολο Εκπαίδευσης Μοντέλο Εκμάθηση Ταξινόμησης Ταξινόμηση Παράδειγμα Γνωρίσματα Πως μοιάζει το μοντέλο;

38 Εξόρυξη Δεδομένων: Ακ. Έτος 2008-2009ΕΙΣΑΓΩΓΗ38 ΚΛΑΣΗ HO MarSt TaxInc YES NO YesNo Married Single, Divorced < 80K> 80K Σύνολο Εκπαίδευσης Μοντέλο: Δέντρο Απόφασης Ταξινόμηση Παράδειγμα Μοντέλου: Δέντρο Απόφασης – Decision tree

39 Εξόρυξη Δεδομένων: Ακ. Έτος 2008-2009ΕΙΣΑΓΩΓΗ39 ΚΛΑΣΗ MarSt HO TaxInc YES NO Yes No Married Single, Divorced < 80K> 80K Για τα ίδια δεδομένα μπορεί να υπάρχουν παραπάνω από ένα δέντρα απόφασης (μοντέλα) Ταξινόμηση

40 Εξόρυξη Δεδομένων: Ακ. Έτος 2008-2009ΕΙΣΑΓΩΓΗ40 Ταξινόμηση Regression analysis – ανάλυση παλινδρόμισης: στατιστική εκμάθηση μια συνάρτησης που απεικονίζει ένα στοιχείο σε μια πραγματική τιμή, χρήση για αριθμητικές προβλέψεις Ανάλυση σχετικότητας (relevance analysis): ποια γνωρίσματα επηρεάζουν την ταξινόμηση Άλλα είδη μοντέλων πλην των Δέντρων Απόφασης, νευρωνικά δίκτυα, κ-ποιο κοντινοί γείτονες, support vector machines κλπ  Στο μάθημα θα δούμε μόνο τα δέντρα απόφασης (αναλυτικά) + δομές για κοντινότερους γείτονες (πιθανόν)

41 Εξόρυξη Δεδομένων: Ακ. Έτος 2008-2009ΕΙΣΑΓΩΓΗ41 Ταξινόμηση: Εφαρμογή 1 Direct Marketing Στόχος: Μείωση των ταχυδρομικών εξόδων για την αποστολή διαφημιστικών με τη στοχοποίηση targeting του συνόλου των πελατών που είναι πιο πιθανόν να αγοράσουν ένα κινητό τηλέφωνο Προσέγγιση: Χρησιμοποίηση των δεδομένων από ένα παρόμοιο προϊόν που βγήκε στην αγορά πρόσφατα Για αυτό το προϊόν ξέρουμε ποιοι αποφάσισαν να το αγοράσουν και ποιοι όχι -> γνώρισμα της κλάσης {buy, don’t buy}. Συλλογή ποικίλων δημογραφικών δεδομένων κλπ για αυτούς τους πελάτες Χρήση αυτής της πληροφορίας ως τα γνωρίσματα για την εκμάθηση ενός μοντέλου ταξινόμησης.

42 Εξόρυξη Δεδομένων: Ακ. Έτος 2008-2009ΕΙΣΑΓΩΓΗ42 Ταξινόμηση: Εφαρμογή 2 Fraud Detection – Αναγνώριση Απάτης σε Πιστωτικές Κάρτες Στόχος: Να βρούμε ποιες συναλλαγές μιας πιστωτικής κάρτας δεν είναι από τον ιδιοκτήτη της Προσέγγιση: Χρησιμοποίηση των δεδομένων από προηγούμενες συναλλαγές με αυτήν την κάρτα και πληροφορίες για τον κάτοχο της (τι αγοράζει, πότε, από πού, πόσο συχνά πληρώνει) Χαρακτηρισμός κάθε προηγούμενης συναλλαγής ως απάτη ή όχι -> γνώρισμα της κλάσης {fraud, fair}. Χρήση αυτής της πληροφορίας ως τα γνωρίσματα για την εκμάθηση ενός μοντέλου ταξινόμησης. Χρήση του μοντέλου για τον χαρακτηρισμό μελλοντικών συναλλαγών

43 Εξόρυξη Δεδομένων: Ακ. Έτος 2008-2009ΕΙΣΑΓΩΓΗ43 Ταξινόμηση: Εφαρμογή 3 Customer Attrition Στόχος: Να εκτιμήσουμε να ένας πελάτης θα προτιμήσει μια ανταγωνιστική εταιρεία Προσέγγιση: Χρησιμοποίηση των δεδομένων από παλιές και νέες συναλλαγές πελατών (πόσο συχνά τηλεφωνούν, που πότε, την οικονομική του κατάσταση, την οικογενειακή του κατάσταση κλπ) Χαρακτηρισμός κάθε πελάτη ως πιστού ή όχι -> γνώρισμα της κλάσης {loyal, disloyal}. Χρήση αυτής της πληροφορίας ως τα γνωρίσματα για την εκμάθηση ενός μοντέλου ταξινόμησης.

44 Εξόρυξη Δεδομένων: Ακ. Έτος 2008-2009ΕΙΣΑΓΩΓΗ44 Ταξινόμηση Γαλαξιών Αρχικό Ενδιάμεσο Προχωρημένο Μέγεθος Δεδομένων: 72 εκατ. άστρα, 20 εκατ. γαλαξίες Object Catalog: 9 GB Image Database: 150 GB Κλάση: Στάδιο δημιουργίας Γνωρίσματα: Χαρακτηριστικά της εικόνας, Χαρακτηριστικά του κυμάτων φωτός που ελήφθησαν, κλπ. Courtesy: http://aps.umn.edu Ταξινόμηση: Εφαρμογή 4

45 Εξόρυξη Δεδομένων: Ακ. Έτος 2008-2009ΕΙΣΑΓΩΓΗ45 Συσταδοποίηση  Δοθέντων  Ενός συνόλου από σημεία που το καθένα έχει κάποια γνωρίσματα  Μιας μέτρηση ομοιότητας μεταξύ τους  Εύρεση συστάδων (clusters) τέτοιων ώστε:  Τα σημεία σε μία συστάδα είναι πιο όμοια μεταξύ τους  Τα σημεία σε διαφορετικές συστάδες είναι λιγότερα όμοια μεταξύ τους Ορισμός Συσταδοποίηση Σε αντίθεση με την ταξινόμηση, οι συστάδες δεν είναι γνωστές από πριν

46 Εξόρυξη Δεδομένων: Ακ. Έτος 2008-2009ΕΙΣΑΓΩΓΗ46  3-διάστατα σημεία, ευκλείδεια απόσταση Οι αποστάσεις μέσα στη συστάδα ελαχιστοποιούνται Οι αποστάσεις μέσα στη συστάδα ελαχιστοποιούνται Οι αποστάσεις ανάμεσα στις συστάδες μεγιστοποιούνται Οι αποστάσεις ανάμεσα στις συστάδες μεγιστοποιούνται Παράδειγμα

47 Εξόρυξη Δεδομένων: Ακ. Έτος 2008-2009ΕΙΣΑΓΩΓΗ47 Συσταδοποίηση: Εφαρμογή 1 Market Segmentation Στόχος: Χωρισμός των καταναλωτών σε ομάδες έτσι ώστε τα μέλη κάθε ομάδας να είναι ο στόχος για μια συγκεκριμένη πολιτική marketing Προσέγγιση: Συγκέντρωση διαφορετικών γνωρισμάτων για τους καταναλωτές Ορισμός «ομοιότητας» ανάμεσα στους πελάτες Δημιουργία ομάδων με όμοιους πελάτες Μέτρηση της ποιότητας της ομαδοποίησης (πχ παρατηρώντας τις αγοραστικές συνήθειες στην ίδια ομάδα και ανάμεσα σε διαφορετικές ομάδες)

48 Εξόρυξη Δεδομένων: Ακ. Έτος 2008-2009ΕΙΣΑΓΩΓΗ48 Συσταδοποίηση: Εφαρμογή 2 Συσταδοποίηση Εγγράφων Στόχος: Εύρεση ομάδων από έγγραφα που είναι όμοια μεταξύ τους με βάση τους σημαντικούς όρους που εμφανίζονται σε αυτά Προσέγγιση: Εύρεση για κάθε έγγραφο των όρων που εμφανίζονται συχνά σε αυτό. Μέτρηση ομοιότητας με βάση τη συχνότητα των διαφορετικών όρων, Χρήση της για τη δημιουργία συστάδων Όφελος: Μέθοδοι Ανάκτησης Πληροφορία (Information Retrieval) μπορεί να χρησιμοποιήσουν τις συστάδες για να συσχετίσουν έναν καινούργιο έγγραφο ή έναν όρο αναζήτησης με τα έγγραφα κάθε συστάδας

49 Εξόρυξη Δεδομένων: Ακ. Έτος 2008-2009ΕΙΣΑΓΩΓΗ49 Συσταδοποίηση: Εφαρμογή 2 Σημεία: 3204 Άρθρα των Los Angeles Times. Μέτρηση Ομοιότητας: Πόσες κοινές λέξεις έχουν

50 Εξόρυξη Δεδομένων: Ακ. Έτος 2008-2009ΕΙΣΑΓΩΓΗ50 Συσταδοποίηση Θα δούμε ενδιαφέροντες τρόπους να ορίσουμε ομοιότητα/απόσταση και τους θεμελιώδεις αλγορίθμους συσταδοποίησης Στο μάθημα

51 Εξόρυξη Δεδομένων: Ακ. Έτος 2008-2009ΕΙΣΑΓΩΓΗ51 Ορισμός (συχνών στοιχειοσυνόλων) Κανόνες που βρέθηκαν: {Milk} --> {Coke} {Diaper, Milk} --> {Beer} Κανόνες που βρέθηκαν: {Milk} --> {Coke} {Diaper, Milk} --> {Beer}  Δοθέντος  Ενός συνόλου από εγγραφές που η κάθε μία έχει έναν αριθμό από στοιχεία από κάποιο δοσμένο σύνολο  Εύρεση κανόνων εξάρτησης που προβλέπουν την παρουσία ενός στοιχείου με βάση την παρουσία άλλων στοιχείων Κανόνες Συσχέτισης

52 Εξόρυξη Δεδομένων: Ακ. Έτος 2008-2009ΕΙΣΑΓΩΓΗ52 Κανόνες Συσχέτισης: Εφαρμογή 1 Για marketing και προώθηση πωλήσεων: Έστω ότι ο κανόνας που ανακαλύφθηκε είναι ο: {Bagels, … } --> {Potato Chips} Potato Chips στα δεξιά του κανόνα => Τι πρέπει να γίνει για να αυξηθούν οι πωλήσεις. Bagels στα αριστερά => Μπορεί να χρησιμοποιηθεί για να εκτιμηθεί ποια προϊόντα θα επηρεαστούν αν πχ ένα μαγαζί σταματήσει να τα πουλάει. Bagels στα αριστερά and Potato chips στα δεξιά => Ποια προϊόντα πρέπει να πουληθούν μαζί με Bagels για την προώθηση των Potato chips!

53 Εξόρυξη Δεδομένων: Ακ. Έτος 2008-2009ΕΙΣΑΓΩΓΗ53 Κανόνες Συσχέτισης: Εφαρμογή 2 Πως θα φτιάξουμε τα ράφια στα super-markets! «θρυλικός» κανόνας -- Αν ο καταναλωτής αγοράσει πάνες, πολύ πιθανών να αγοράσει και μπύρα! Στις ΗΠΑ, Πέμπτη και Σάββατο, άντρες που αγοράζουν πάνες αγοράζουν και μπύρα

54 Εξόρυξη Δεδομένων: Ακ. Έτος 2008-2009ΕΙΣΑΓΩΓΗ54 Εύρεση Ακολουθιακών Προτύπων Παραδείγματα  Ακολουθία από προσπελάσεις σελίδων στο διαδίκτυο  Ακολουθία στο δανεισμό βιβλίων από μια βιβλιοθήκη  Ακολουθία πακέτων που οδήγησαν σε επίθεση σε κάποιον υπολογιστή  Σε χωρικά δεδομένα, πχ δεδομένα από την κίνηση ενός αυτοκινήτου Ακολουθιακές εξαρτήσεις: μας ενδιαφέρει η σειρά εμφάνισης των στοιχείων (γεγονότων)

55 Εξόρυξη Δεδομένων: Ακ. Έτος 2008-2009ΕΙΣΑΓΩΓΗ55 Κανόνες Συσχέτισης Θα μελετήσουμε ένα διάσημο αλγόριθμο τoν a-priori Και έναν ενδιαφέρον αλγόριθμο (FPGrowth) βασισμένο σε tries Και πιθανών την εφαρμογή του a-priori σε γραφήματα Στο μάθημα

56 Εξόρυξη Δεδομένων: Ακ. Έτος 2008-2009ΕΙΣΑΓΩΓΗ56 Αποθήκες Δεδομένων Αποθήκη δεδομένων είναι μια συλλογή από δεδομένα που συλλέγονται από διάφορες πηγές δεδομένων, αποθηκεύονται με βάση ένα κοινό σχήμα (συνήθως) σε έναν κόμβο Στο μάθημα: Το βασικό μοντέλο

57 Εξόρυξη Δεδομένων: Ακ. Έτος 2008-2009ΕΙΣΑΓΩΓΗ57  Εκμάθηση του πεδίου εφαρμογής  Σχετική προηγούμενη γνώση και τους στόχους της εφαρμογής  Δημιουργία του συνόλου δεδομένων: data selection  Καθαρισμός και προ-επεξεργασία των δεδομένων: (έως και 60% της συνολικής προσπάθειας)  Ελάττωση δεδομένων και μετασχηματισμοί  Χρήσιμα χαρακτηριστικά, ελάττωση διαστάσεων κλπ  Επιλογή λειτουργίας εξόρυξης δεδομένων  πχ, συσταδοποίηση, ταξινόμηση, κλπ  Επιλογή του αλγορίθμου εξόρυξης δεδομένων  Εξόρυξη Δεδομένων: αναζήτηση προτύπων ενδιαφέροντος  Εκτίμηση προτύπων και αναπαράσταση γνώσης  οπτικοποίηση, μετασχηματισμοί, απομάκρυνση περιττών προτύπων, κλπ  Χρήση της γνώσης Η γενική εικόνα

58 Εξόρυξη Δεδομένων: Ακ. Έτος 2008-2009ΕΙΣΑΓΩΓΗ58 Εκτίμηση ενδιαφέροντος Χαρακτηρισμό του «ενδιαφέροντος» ενός προτύπου: (1) Εύκολα κατανοητό (2) Να ισχύει σε δεδομένα ελέγχου ή σε νέα δεδομένα με κάποιο βαθμό βεβαιότητας (3) Πιθανών χρήσιμο (4) Νέα πληροφορία Υπάρχουν υποκειμενικά (αναμενόμενα και μη αναμενόμενα) και αντικειμενικά κριτήρια – Κάποιες τιμές κατωφλίου Πληρότητα (όλα τα ενδιαφέροντα πρότυπα) Βελτιστοποίηση (μόνο τα ενδιαφέροντα πρότυπα)

59 Εξόρυξη Δεδομένων: Ακ. Έτος 2008-2009ΕΙΣΑΓΩΓΗ59 Web mining Διάφορες τεχνικές (πχ ομαδοποίηση, ταξινόμηση) και Διαφορετικά δεδομένα Δομή ιστοσελίδων (συνδέσεις) Web logs ανάλυση κοινοτήτων στο web Στο μάθημα θα δούμε κάποια γενικά στοιχεία και δυο διάσημους αλγόριθμους πίσω από τις μηχανές αναζήτησης (PageRank,HITS)

60 Εξόρυξη Δεδομένων: Ακ. Έτος 2008-2009ΕΙΣΑΓΩΓΗ60 #1: C4.5 (61 votes) – ταξινόμηση (δέντρο απόφασης) #2: K-Means (60 votes) - συσταδοποίηση #3: SVM (58 votes) – ταξινόμηση (support vector machine) #4: Apriori (52 votes) – κανόνες συσχέτισης #5: EM (48 votes) – στατιστική, συσταδοποίηση (expectation maximization) #6: PageRank (46 votes) – ιστοσελίδες #7: AdaBoost (45 votes) – μετα-ταξινομητής #7: kNN (45 votes) – συσταδοποίηση (κοντινότερος γείτονας) #7: Naive Bayes (45 votes) – στατιστική, ταξινόμηση #10: CART (34 votes) – ταξινόμηση (δέντρο απόφασης) Εξόρυξη Δεδομένων Οι 10 καλύτεροι αλγόριθμοι ΕΔ (ICDM 2006)

61 Εξόρυξη Δεδομένων: Ακ. Έτος 2008-2009ΕΙΣΑΓΩΓΗ61 ΣΥΝΟΨΗ: Τι θα καλύψουμε στο μάθημα (με τη σειρά)  Ομαδοποίηση (συσταδοποίηση)  Κανόνες Συσχέτισης  Κατηγοριοποίηση (δέντρα απόφασης)  Παγκόσμιο Ιστό  HITS, PageRank  Αποθήκες Δεδομένων  ?? Εξόρυξη Δεδομένων

62 Εξόρυξη Δεδομένων: Ακ. Έτος 2008-2009ΕΙΣΑΓΩΓΗ62 ΜΑΘΗΜΑ ΕΠΟΜΕΝΗΣ ΕΒΔΟΜΑΔΑΣ Συσταδοποίηση Εξόρυξη Δεδομένων